[发明专利]微电网短期功率和负荷预测系统及误差分类动态修正方法

说明书

本发明公开了一种微电网短期功率和负荷预测系统及误差分类动态修正方法。预测算法模块基于神经网络算法，将实时气象数据和运行数据作为神经网络模型的输入，运算得到预测结果；将预测结果与实际计算的数据进行比较，如果误差数据满足预设的阈值，由误差动态分类修正模块对新产生的该误差数据进行误差数据分类，并带入误差分类器中进行误差匹配，如果预测条件和预测结果与之前发生的误差相匹配，那么误差动态分类修正模块对预测数据进行修正，如果匹配不成功则使用预测算法模块的预测结果作为预测的最终结果。本发明的方法可对误差进行智能分类，并且避免错误预测结果的重复出现。

技术领域

本发明涉及负荷预测领域，本发明特别涉及一种基于大误差数据分类动态修正方法的微电网短期功率和负荷预测系统。

背景技术

微电网短期功率和负荷预测系统为能量优化调度提供依据；同时将数据实时上传至能量管理系统，为智能微电网控制提供必要数据。微电网的功率预测充分利用分布式能源发电，获得更大的经济效益和社会效益，提高微电网运行的可靠性和经济性。微电网的负荷预测对微电网的优化运行有着重要的意义，为微电网能量管理提供数据支持。

传统的微电网短期功率和负荷预测系统一般采用神经网络算法，而采用神经网络算法需要有比较完备的历史数据作为训练神经网络模型的样本。在“微电网”这种面积较小的区域中，历史气象数据和功率负荷数据记录一般都不是完备或缺失的，甚至记录的历史数据与真实数据存在较大误差。这样的历史数据训练出来的神经网络模型可能因为误差较大难以收敛，不能满足微电网功率或者负荷预测需要。

采用神经网络算法的传统的微电网短期功率和负荷预测系统输入条件一般是历史功率数据、历史气象数据和预测气象数据。采用这种方法难免会有部分预测数据误差较大。本系统基于大误差数据分类动态修正算法，可以自动收集误差较大的预测数据，并记录大误差数据发生时设备状态、整个智能微电网和各个楼宇负荷值并记录在大误差数据分类器中。大误差数据分类器对误差进行多重分类包括：正常用户行为、设备故障和通信故障、负荷动态增加、负荷动态减少等。在神经网络完成负荷预测后，神经网络输入条件和预测结果作为大误差数据分类器的智能动态修正算法的输入与分类器的历史大误差数据进行分类匹配，如果匹配成功，则对预测数据进行修正，否则直接输出神经网络的预测结果。大误差数据分类动态修正算法可有效避免神经网络算法误差的多次重复发生。

发明内容

本系统提出一种基于大误差数据分类其动态修正方法的微电网功率和负荷预测系统，可以动态提高微电网短期功率和负荷预测的准确率，避免错误数据重复发生。

一种基于大误差数据分类器动态修正方法的微电网功率和负荷预测系统包括了：数据通信和处理模块、数据存储模块、预测算法模块、误差动态分类修正模块。

数据通信和处理模块主要实现功率和负荷预测系统对装置和外部数据采集、数据预处理、预测结果上传能力管理系统或区域调度等功能。数据通信和处理模块支持电力系统的常用通信规约，如：IEC870-5-102、IEC870-5-103、 IEC870-5-104、Modbus等，同时支持FTP方式下载来自因特网的数值天气预报 (NWP)数据。该模块可以对采集后的数据进行预处理，例如根据系统设定的阈值剔除或修正不合理的数据，保证数据的可用性。

数据存储模块主要负责将采集后的数据存储在数据库中。数据库可以是 MySQL、Oracle、Sybase等商用数据库。如果预测系统采集的数据量较小时，也可以不使用商用数据库，而使用文本文件存储。

本系统的预测算法模块是基于传统的神经网络算法，如反向传播算法(BP)、径向基(RBF)、支持向量机(SVM)等。模块包括了神经网络模型训练和神经网络预测两部分。历史气象数据和历史的运行数据作为神经网络模型训练输入，经过神经网络算法的训练得到神经网络的权值参数，既得到预测模型。神经网络预测时，将预测的气象数据和实时的运行带入训练好的神经网络模型中既可得到预测结果。